Risk-aware Path Planning via Probabilistic Fusion of Traversability Prediction for Planetary Rovers on Heterogeneous Terrains

要約

機械学習 (ML) は、変形可能な地形での自律ローバー操作の通過可能性を評価する上で重要な役割を果たしますが、避けられない予測エラーに悩まされています。
特に、地質学的特徴が場所によって異なる不均一な地形では、誤った通過可能性予測がより明らかになり、ローバーのホイール スリップや固定化が回復不能になるリスクが高まります。
この作業では、このような誤った予測を明示的に説明する新しい経路計画アルゴリズムを提案します。
重要なアイデアは、地形タイプの分類とスリップ予測のための特徴的な ML モデルを単一の分布に確率論的に融合することです。
これにより、不均一な地形を説明するマルチモーダル スリップ分布が得られ、さらに統計的リスク評価を適用して、経路計画のためのリスクを認識した横断コストを導き出すことができます。
広範なシミュレーション実験により、提案された方法は、既存の方法と比較して、不均一な地形でより実行可能なパスを生成できることが実証されています。

要約(オリジナル)

Machine learning (ML) plays a crucial role in assessing traversability for autonomous rover operations on deformable terrains but suffers from inevitable prediction errors. Especially for heterogeneous terrains where the geological features vary from place to place, erroneous traversability prediction can become more apparent, increasing the risk of unrecoverable rover’s wheel slip and immobilization. In this work, we propose a new path planning algorithm that explicitly accounts for such erroneous prediction. The key idea is the probabilistic fusion of distinctive ML models for terrain type classification and slip prediction into a single distribution. This gives us a multimodal slip distribution accounting for heterogeneous terrains and further allows statistical risk assessment to be applied to derive risk-aware traversing costs for path planning. Extensive simulation experiments have demonstrated that the proposed method is able to generate more feasible paths on heterogeneous terrains compared to existing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google